Verwendung der Kernel-Dichteschätzung im Naive Bayes Classifier?

Diese Frage ist eine Fortsetzung meiner früheren Frage hier und bezieht sich absichtlich auch auf diese Frage .

Auf dieser Wiki-Seite werden Wahrscheinlichkeitsdichtewerte aus einer angenommenen Normalverteilung für den Trainingssatz verwendet, um einen Bayes'schen posterioren Wert anstelle der tatsächlichen Wahrscheinlichkeitswerte zu berechnen. Wenn ein Trainingssatz jedoch nicht normal verteilt ist, wäre es ebenso gültig, einen Dichtewert zu verwenden , der aus der Kernel-Dichteschätzung des Trainingssatzes entnommen wurde , um einen Bayes'schen Posterior zu berechnen?

In seiner beabsichtigten Anwendung würde diese Kernel-Dichteschätzung einem theoretisch idealen empirischen Datensatz entnommen, der durch MC-Techniken erzeugt wird.

Ich habe sowohl die erste verlinkte frühere Frage gelesen, insbesondere die Antwort von whuber als auch die Kommentare dazu.

$P(X=x|C=c)$$P(C=c|X=x)=P(C=c)*P(X=x|C=c)/P(X=x)$

$P(X=x|C=c)$$P(X=x)$

Dieses Papier könnte für Sie interessant sein: Schätzung kontinuierlicher Verteilungen in Bayes'schen Klassifikatoren